[发明专利]一种低风速下风力发电机的预测与跟踪控制方法

摘要

本发明公开了一种低风速下风力发电机的预测与跟踪控制方法，包括：1)预测风力发电机风轮的最优角速度；2)设计控制器对风力发电机风轮的角速度进行跟踪控制。本发明低风速下风力发电机的预测与跟踪控制方法，能够准确预测未来一段时间进入风场的风速，得到了与未来时刻风力发电机风轮真实角速度接近的理想预测角速度数据，通过准确控制风力发电机风轮角速度跟踪理想预测角速度，能够避免控制不及时的问题，提高风力发电机的风能利用率，使风力发电机在低风速下以最大功率输出；且所设计RBF神经网络自适应控制器只依赖于系统角速度误差，对于系统内部部分函数和参数未知的情况也可以对风力发电机转速进行控制。

主权项

1.一种低风速下风力发电机的预测与跟踪控制方法，其特征在于：包括：1)预测风力发电机风轮的最优角速度，包括：Ⅰ、将测风塔放置于风场外围1‑2公里处，测量即将进入风场的风速；Ⅱ、根据所测风速数据，通过公式ω*＝λoptv/R计算得到风力发电机风轮理想预测角速度ω*，其中λopt为最佳叶尖速比，v是测风塔测得的风速，R是风力发电机风轮半径；2)设计控制器对风力发电机风轮的角速度进行跟踪控制，包括：A、设计风机系统模型为：其中，J＝Jr+n2Je，Jr为风轮处转子的转动惯量，Je为发电机转子转动惯量，B为传动系统总阻尼系数，Tr为风轮获得的气动转矩，n为连接风机与发电机的变速箱的传动比，Te为发电机电磁转矩；Tr、B属于系统未知量；B、获取风轮角速度ω，风轮理想预测角速度ω^*，定义误差e＝ω‑ω^*，对两边求导得到整理得到：风机系统未确定部分使用RBF神经网络估计，其中，是节点高斯径向基函数，W为每个节点的权值，ε是神经网络的阈值；C、使用基于受限李雅普诺夫方法的RBF神经网络方法设计控制器：其中，γ是自行设计的一个大于零的BLF参数，K0是自行设计的大于零的控制参数，神经网络控制器：自适应更新率：其中为W的估计值，为ε的估计值，选取γ＝0.02，K₀＝3；D、将本时刻的误差信号e输入风力发电机控制器，得到下一时刻的控制信号Te；E、将控制信号输入风力发电机得到下一时刻的风轮角速度ω。